Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Towards an Integration of Workflows and Clinical Guidelines: A Case Study Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Early Prediction of Severe Maternal Morbidity Using Machine Learning Techniques

verfasst von : Eugenia Arrieta Rodríguez, Francisco Edna Estrada, William Caicedo Torres, Juan Carlos Martínez Santos

Erschienen in: Advances in Artificial Intelligence - IBERAMIA 2016

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Severe Maternal Morbidity is a public health issue. It may occur during pregnancy, delivery, or puerperium due to conditions (hypertensive disorders, hemorrhages, infections and others) that put in risk the women’s or baby’s life. These conditions are really difficult to detect at an early stage. In response to the above, this work proposes using several machine learning techniques, which are considered most relevant in a bio-medical setting, in order to predict the risk level for Severe Maternal Morbidity in patients during pregnancy. The population studied correspond to pregnant women receiving prenatal care and final attention at E.S.E Clínica de Maternidad Rafael Calvo in Cartagena, Colombia. This paper presents the preliminary results of an ongoing project, as well as methods and materials considered for the construction of the learning models.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Machine Learning Models for Early Dengue Severity Prediction
Nächstes Kapitel Collaborative Filtering with Semantic Neighbour Discovery
Literatur
1.
Carty, D.M., Siwy, J., Brennand, J.E., Zürbig, P., Mullen, W., Franke, J., McCulloch, J.W., North, R.A., Chappell, L.C., Mischak, H., et al.: Urinary proteomics for prediction of preeclampsia. Hypertension 57(3), 561–569 (2011)CrossRef
2.
Casal, J., Mateu, E.: Tipos de muestreo. Rev. Epidem. Med. Prev 1(1), 3–7 (2003)
3.
Duran, M.E.M., García, O.E.P., CArey, A.C., Bonilla, H.Q., Espitia, N.C.C., Barros, E.C.: Protocolo de vigilancia en salud pública morbilidad materna extrema
4.
Farran, B., Channanath, A.M., Behbehani, K., Thanaraj, T.A.: Predictive models to assess risk of type 2 diabetes, hypertension and comorbidity: machine-learning algorithms and validation using national health data from kuwaita cohort study. BMJ Open 3(5), e002457 (2013)CrossRef
5.
Haaga, J.G., Wasserheit, J.N., Tsui, A.O., et al.: Reproductive Health in Developing Countries: Expanding Dimensions, Building Solutions. National Academies Press, Washington, D.C. (1997)
6.
Mariño Martínez, C.A., Fiesco, V., Carolina, D., et al.: Caracterización de la morbilidad materna extrema en el Instituto Materno Infantil-Hospital la Victoria/Characterization of extreme morbidity disease in the Instituto Materno Infantil-Hospital la Victoria. Ph.D. thesis, Universidad Nacional de Colombia
7.
Morales-Osorno, B., Martínez, D.M., Cifuentes-Borrero, R.: Extreme maternal morbidity in Clinica Rafael Uribe Uribe, Cali, Colombia, from January 2003 to May 2006. Revista Colombiana de Obstetricia y Ginecología 58(3), 184–188 (2007)
8.
Nanda, S., Savvidou, M., Syngelaki, A., Akolekar, R., Nicolaides, K.H.: Prediction of gestational diabetes mellitus by maternal factors and biomarkers at 11 to 13 weeks. Prenat. Diagn. 31(2), 135–141 (2011)CrossRef
9.
Neocleous, C.K., Anastasopoulos, P., Nikolaides, K.H., Schizas, C.N., Neokleous, K.C.: Neural networks to estimate the risk for preeclampsia occurrence. In: International Joint Conference on Neural Networks, IJCNN 2009, pp. 2221–2225. IEEE (2009)
10.
Organization, W.H., UNICEF.: Revised 1990 estimates of maternal mortality: a new approach. World Health Organization (1996)
11.
Park, F.J., Leung, C.H., Poon, L.C., Williams, P.F., Rothwell, S.J., Hyett, J.A.: Clinical evaluation of a first trimester algorithm predicting the risk of hypertensive disease of pregnancy. Aust. N. Z. J. Obstet. Gynaecol. 53(6), 532–539 (2013)CrossRef
12.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., Duchesnay, E.: Scikit-learn: machine learning in Python. J. Mach. Learn. Res. 12, 2825–2830 (2011)MathSciNetMATH
13.
Poon, L.C., Kametas, N.A., Maiz, N., Akolekar, R., Nicolaides, K.H.: First-trimester prediction of hypertensive disorders in pregnancy. Hypertension 53(5), 812–818 (2009)CrossRef
14.
Rojas, J.A., Cogollo, M., Miranda, J.E., Ramos, E.C., Fernández, J.C., Bello, A.M.: Morbilidad materna extrema en cuidados intensivos obstétricos. Cartagena (Colombia) 2006–2008 maternal near miss in obstetric critical care. Cartagena, Colombia, 2006–2008. Revista Colombiana de Obstetricia y Ginecología 62(2), 131–140 (2011)
15.
de la Salud, O.P.: Clasificación estadística internacional de enfermedades y problemas relacionados con la salud: décima revisión: CIE-10. Pan American Health Org (1995)
16.
de Vigilancia, S.: Control en salud pública (sivigila). Informe de Intoxicaciones por plaguicidas. Instituto Nacional de Salud, INS. Bogotá, Colombia (2012)
Metadaten
Titel
Early Prediction of Severe Maternal Morbidity Using Machine Learning Techniques
verfasst von
Eugenia Arrieta Rodríguez
Francisco Edna Estrada
William Caicedo Torres
Juan Carlos Martínez Santos
Copyright-Jahr
2016
Buch
Advances in Artificial Intelligence - IBERAMIA 2016

Print ISBN: 978-3-319-47954-5

Electronic ISBN: 978-3-319-47955-2

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-47955-2_22